[发明专利]模型训练、图像质量评估方法及装置、电子设备、介质

说明书

本申请涉及一种模型训练、图像质量评估方法及装置、电子设备、介质，应用于图像处理技术领域，模型训练方法包括：获取多个样本清晰图像，对每个样本清晰图像进行文字识别，得到对应的第一文本信息；基于多个图像属性变换指标对样本清晰图像进行变换，得到样本清晰图像对应的多个样本变换图像；对各样本变换图像进行文字识别得到各样本变换图像对应的第二文本信息，并确定该样本清晰图像对应的第一文本信息与第二文本信息之间的莱文斯坦距离；基于莱文斯坦距离确定样本变换图像对应的坏例值；将各样本变换图像作为输入，将各样本变换图像对应的图像属性变换指标和坏例值作为标签，训练生成图像质量评估模型。本申请可以提高模型训练的效率。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种模型训练、图像质量评估方法及装置、电子设备、介质。

背景技术

目前，在通过OCR（optical character recognition，光学文字识别）技术进行文字识别时，受到图像质量的影响，导致OCR模型无法准确识别低质量图像中的文本信息。因此，需要预先对待识别图像的质量进行评估。

相关技术中，可以预先训练神经网络模型，通过神经网络模型评估图像质量。然而，该方法需要搜集大量的训练数据，并进行人工标注，导致模型训练的效率较低。并且，缺少一种将低质量图像转换为高质量图像的方法。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种模型训练、图像质量评估方法及装置、电子设备、介质。

根据本申请的第一方面，提供了一种图像质量评估模型训练方法，包括：

获取多个样本清晰图像，对每个所述样本清晰图像进行文字识别，得到所述样本清晰图像对应的第一文本信息；

针对单个所述样本清晰图像，基于多个图像属性变换指标对该样本清晰图像进行变换，得到该样本清晰图像对应的多个样本变换图像；

对各所述样本变换图像进行文字识别得到各所述样本变换图像对应的第二文本信息，并确定该样本清晰图像对应的第一文本信息与所述第二文本信息之间的莱文斯坦距离；

基于所述莱文斯坦距离确定所述样本变换图像对应的坏例值，其中，所述坏例值用于指示所述样本变换图像是否属于坏例；

将各所述样本变换图像作为输入，将各所述样本变换图像对应的图像属性变换指标和坏例值作为标签，训练生成图像质量评估模型。

在一种可选的实施方式中，所述将各所述样本变换图像作为输入，将各所述样本变换图像对应的图像属性变换指标和坏例值作为标签，训练生成图像质量评估模型，包括：

将所述样本变换图像输入初始模型，得到所述样本变换图像对应的图像属性变换预测指标和坏例预测值；

根据所述样本变换图像对应的图像属性变换预测指标，以及所述样本变换图像对应的图像属性变换指标和坏例值，基于预设的损失函数，对所述初始模型进行训练，生成图像质量评估模型。

在一种可选的实施方式中，所述根据所述样本变换图像对应的图像属性变换预测指标，以及所述样本变换图像对应的图像属性变换指标和坏例值，基于预设的损失函数，对所述初始模型进行训练，包括：

根据所述样本变换图像对应的图像属性变换预测指标和所述样本变换图像对应的图像属性变换指标，基于第一损失函数确定第一损失函数值；

根据所述样本变换图像对应的图像属性变换预测指标、图像属性变换指标和坏例值，基于第二损失函数确定第二损失函数值；

根据所述第一损失函数值和第二损失函数值确定所述初始模型的损失函数值，基于所述损失函数值对所述初始模型进行训练。